新方案刷新擴散模型推理速度紀錄
來自阿里巴巴與清華大學的研究人員開發了一種極簡方案，顯著提升了擴散模型的推理速度。該論文入選 ICML 傑出論文。
Search
Tag: #diffusion-models36 results
Google 發表 DiffusionGemma，實現非序列式文字生成
Google 推出了實驗性的 26B MoE 模型 DiffusionGemma，利用擴散技術而非逐個 token 的方式進行平行文字生成。此方法透過同時處理整個文字區塊，實現了高達 4 倍的推論速度提升。
QVGen：4bit 影片擴散模型逼近滿血效能
來自港科大、北航與商湯的 QVGen，為影片擴散模型提出 QAT 範式，在 3/4bit 量化下逼近滿精度品質。論文獲 ICLR 2026 高分錄取。程式碼與模型已在 GitHub 與 Hugging Face 釋出。
全球首個具備 128K 上下文的 Agentic 擴散模型問世
研究人員推出了首個具備邊行動邊糾錯能力的 Agentic 擴散模型。該模型實現了 128K 的上下文視窗，在長程任務表現上追平了自回歸模型。
利用 NVIDIA NeMo Automodel 大規模微調影片與圖像模型
Hugging Face 與 NVIDIA 將 NeMo Automodel 與 Diffusers 整合，實現生成式影片與圖像模型的高效大規模微調。此合作為開發複雜擴散模型的開發者簡化了訓練流程。
擴散模型在放射科報告撰寫中表現優於自回歸模型
研究人員推出了混合專家擴散語言模型 DiffusionGemma-26B，其在醫學視覺問答任務中的表現與自回歸模型相當甚至更優。該模型提供了獨特的雙向填充功能，允許放射科醫師編輯報告片段，同時由 AI 填補中間內容。
簡化版 FLUX 擴散模型 PyTorch 實作
minFLUX 是一個輕量級的開源 PyTorch 實作，旨在幫助開發者理解 FLUX.1 與 FLUX.2 模型背後的核心架構與數學原理。它提供了與 HuggingFace diffusers 對應的逐行代碼映射，並包含完整的訓練與推論迴圈。
BrainG3N：用於 3D 腦部 MRI 生成的雙用途 Tokenizer
BrainG3N 引入了一種基於 MAE 的 3D 腦部 MRI 解耦 Tokenizer，將臨床特徵提取與體積重建分開。此架構不僅能實現高效的臨床下游分析，還能進行可控的、針對特定患者的縱向數據生成。
CVPR 重寫視覺生成 AI 預設
CVPR 2026 論文挑戰生成視覺 AI 假設，C²FG 引入動態 CFG，STARFlow-V 用流模型生成視頻，JiT 直接預測乾淨圖像。趨勢從增量調整轉向重思引導、架構與預測目標。這推動競爭向基礎重設計轉移。
FVD：透過Fleming-Viot重採樣的擴散模型推理時對齊
FVD是一種新的擴散模型推理時對齊方法，使用Fleming-Viot重採樣解決SMC採樣器中的多樣性崩潰。它採用出生-死亡機制，結合獎勵基礎存活決策與隨機重生，避免價值函數或昂貴滾動。於DrawBench提升ImageReward 7%，類條件任務FID改善14-20%，速度快66倍。